Kepiting bakau (Scylla sp) merupakan komoditas perikanan bernilai ekonomis tinggi yang kualitasnya sangat dipengaruhi oleh kondisi kesehatan. Deteksi kesehatan secara manual memiliki keterbatasan karena bersifat subjektif bagi orang awam dan memakan waktu, sehingga diperlukan pendekatan berbasis teknologi untuk meningkatkan akurasi dan efisiensi proses identifikasi. Penelitian ini bertujuan untuk membangun model deteksi menggunakan algoritma YOLO11 yang mampu mengidentifikasi kondisi kesehatan kepiting bakau berdasarkan ciri morfologinya, serta memperoleh hasil evaluasi model YOLO11 yang optimal dalam mendeteksi kondisi kesehatan tersebut. Metode yang digunakan melibatkan algoritma YOLO11 dengan empat varian, yaitu YOLO11n, YOLO11s, YOLO11m, dan YOLO11l, yang diuji pada dataset citra kepiting bakau dengan dua kelas: sehat dan terinfeksi. Evaluasi dilakukan menggunakan metrik precision, recall, mAP50, mAP50-95, accuracy, dan waktu deteksi. Hasil penelitian menunjukkan bahwa YOLO11s memberikan performa paling optimal dengan akurasi tertinggi sebesar 95.93%, nilai mAP50-95 sebesar 0.933, serta waktu deteksi gambar relatif cepat yaitu 14.8 ms per citra. Temuan ini menunjukkan bahwa algoritma YOLO11, khususnya varian YOLO11s, efektif digunakan untuk mendeteksi kondisi kesehatan kepiting bakau secara otomatis dan real-time berdasarkan ciri morfologinya, sehingga dapat mendukung efisiensi operasional perusahaan dalam bidang perikanan dan kelautan.

Mud crabs (Scylla sp) are a high-value fishery commodity whose quality is strongly influenced by their health condition. Manual health detection has limitations because it is subjective for non-experts and time-consuming, thus requiring a technology-based approach to improve the accuracy and efficiency of the identification process. This study aims to develop a detection model using the YOLO11 algorithm capable of identifying the health condition of mud crabs based on their morphological features, as well as to obtain the optimal evaluation results of the YOLO11 model in detecting these conditions. The method involves implementing four YOLO11 variants—YOLO11n, YOLO11s, YOLO11m, and YOLO11l—tested on a dataset of mud crab images classified into two categories: healthy and infected. Evaluation was conducted using precision, recall, mAP50, mAP50 95, accuracy, and detection time metrics. The results show that YOLO11s achieved the most optimal performance, with the highest accuracy of 95.93%, a mAP50-95 of 0.933, and a relatively fast detection time of 14.8 ms per image. These findings indicate that the YOLO11 algorithm, particularly the YOLO11s variant, is effective for automatically and in real-time detecting the health condition of mud crabs based on their morphology, thereby supporting operational efficiency in the fisheries and marine sectors.